利用对抗攻击挖掘AMI中基于深度学习的窃电检测漏洞
密码学与安全
2020-10-20 v1 人工智能
摘要
有效检测窃电可防止电力公司收入损失，对智能电网安全也至关重要。近年来，借助海量细粒度智能电表数据，深度学习（DL）方法在高级计量架构（AMI）窃电检测研究中日益流行。然而，由于神经网络已被证明易受对抗样本攻击，DL模型的安全性令人担忧。本工作从对抗攻击（包括单步攻击和迭代攻击）角度研究基于深度学习的窃电检测漏洞。从攻击者视角，我们设计了 SearchFromFree 框架，包含：1）一种随机对抗测量初始化方法以最大化窃取收益；2）一种步长搜索方案以提升黑盒迭代攻击性能。基于三类神经网络的评估表明，对抗攻击者可向电力公司上报极低消耗测量值而不被DL模型检测。最后我们讨论了针对窃电检测中对抗攻击的潜在防御机制。
引用
@article{arxiv.2010.09212,
title = {Exploiting Vulnerabilities of Deep Learning-based Energy Theft Detection in AMI through Adversarial Attacks},
author = {Jiangnan Li and Yingyuan Yang and Jinyuan Stella Sun},
journal= {arXiv preprint arXiv:2010.09212},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:2006.03504